随着医疗设备的不断更新发展,人们对眼底图像越来越重视。对眼底情况进行有效的分析能够预防和诊断眼底疾病。糖网病是一种由糖尿病引发的疾病,在该病的早期会在病人的眼底图像中出现微动脉瘤这种病灶。通过对眼底图像中的微动脉瘤进行自动检测,能够有效的推动糖网病早期筛查工作的推进与落实。本文针对糖网病中微动脉瘤的检测和识别进行了研究分析,涵盖了图像预处理、微动脉瘤候选集检测、眼底图像血管分割和微动脉瘤筛选识别这四部分内容,然后采用云端架构开发出一套微动脉瘤检测识别辅助诊断系统。本文主要工作如下:(1)眼底图像预处理。本文针对眼底结构和眼底图像进行分析,采用提取绿色通道、ROI区域提取、各向异性扩散滤波和CLAHE增强的流程对眼底图像进行预处理,为后期各个算法的图像处理打下基础。(2)微动脉瘤候选集检测。本文对微动脉瘤的形态特征进行研究,确定了使用模板匹配的方法检测微动脉瘤候选集。通过分析经典模板匹配方法中固定模板参数带来的弊端,本文提出了一种动态多参数模板匹配算法(Dynamic Multi Parameter Template Matching,DMPTM),即在经典模板匹配方法中引入了模板权值、模板半径和模板偏移量三个参数来自适应调节匹配过程中的模板函数,实验结果在ROC眼底库中达到了97.62%的灵敏度,对经典方法起到了很好的改进。(3)对眼底血管进行分割。本文研究并实现了基于形态学的眼底血管分割算法和基于相位一致性的眼底血管分割算法,然后研究了深度学习框架和U-net模型,将U-net模型运用到眼底血管分割中来,实验结果在DRIVE眼底库中达到ROC曲线下AUC值为97.62%,准确率为95.47%。(4)对微动脉瘤候选集进行筛选识别。本文研究了当下物体检测与目标识别中主流的RCNN框架体系,分析了RCNN模型、Fast-RCNN模型和Faster-RCNN模型的优劣,最终确定将Faster-RCNN模型引入到微动脉瘤二次筛选识别中来,在ROC眼底库中实验结果达到了95.72%的灵敏度,特异性为92.34%,准确率为93.67%。(5)对系统进行设计与实现。本文最后开发出一套眼底微动脉瘤检测识别辅助诊断系统,并对系统进行了测试,验证了系统的可行性和稳定性。